基于关联规则挖掘的粗糙集屙陛值约简算法研究

粗糙集理论中约简是一个重要的研究课题,它包括属性约简和属性值约简两方面内容。针对目前属性值约简只能实现约简,而不能计算各个规则的出现次数的问题,结合关联规则和粗糙集两方面的优点,对冗余规则和不一致规则进行处理,获得具有实际意义的约简表。实验证明,此算法是有效的。     

基于Rough集的数据挖掘在教学评价中的应用

基于粗集的数据挖掘的主要过程是数据预处理、约简及规则提取.为了分析教师教学行为和教学效果之间的关系,以教学评价的数据为基础,利用基于粗糙集的数据挖掘技术进行挖掘.实例研究中采用基于分明矩阵的属性约简算法和启发式属性值约简算法,去掉决策表中的冗余属性和属性值,得到了影响教学效果的关键因素刎和相关规则.     

一种基于关联规则的属性值约简算法

数据约简是数据挖掘中的一个重要领域．将属性值约简和关联规则挖掘相结合．给出了支持度、置信度、属性值重要性的定义．在此基础上．提出一种新的用来进行数据挖掘的算法——基于关联规则的属性值约简算法．     

一种基于粗糙集的决策算法挖掘方法

属性约简和属性值约简是利用粗糙集理论从决策表中挖掘决策规则的基础,挖掘决策规则是粗糙集理论的重要研究领域之一。本文根据属性的重要度和条件差别矩阵来进行条件属性约简,找出有效约简。同时定义了决策表的不一致度,并根据属性重要度来进行属性值约简,在保持决策表不一致度不增加的前提下挖掘出决策规则,该决策规则集满足独立性、覆盖全域性、可接受性和一致性,即决策规则集为决策算法,最后运用实例对该方法的有效性进行说明。     

基于一致规则的知识约简方法

粗糙集理论应用于决策表知识约简的主要思想是在保持信息系统分类能力不变的前提下,通过寻找最佳知识约简导出问题的决策和分类规则。传统方法多是基于知识分类的相对知识约简研究,算法较为复杂;文章从决策规则本身出发,依据规则的一致性进行算法设计,方便快捷地实现了决策表的属性约简和属性值约简。     

一种基于可辨识向量的规则提取方法

针对信息表中的规则提取问题,应用粗糙集理论对其中的属性约简、属性值问题进行了研究,提出了一种基于可辨识向量的规则提取方法。根据粗糙集中的不可分辨关系建立了可辨识向量,利用可辨识向量的加法法则运算只需要对信息表扫描一次,就可以得到信息表的核属性集以及信息表的一个属性约简。在此基础上,利用条件属性与决策属性之间的对应关系,对信息表中的每条规则通过删除冗余属性值完成信息表的属性值约简,最终实现规则提取。数值实例和试验表明本算法是有效可行的。     

基于聚类分析的决策表约简

基于粗糙集方法提出了一种系统的决策表约简和决策规则提取方法. 为了避免现有属性离散化方法的不足,使用多元统计中的聚类分析,并借助树形图,R2、半偏相关以及伪F统计量,对连续属性进行离散化处理,得到适合粗糙集方法要求的决策表. 在此基础上,简化了基于可辨识矩阵和逻辑运算的传统属性约简算法,并完善了启发式算法进行属性值约简和决策规则提取. 最后,以应用实例验证了该方法的可行性和有效性.     

基于不可辨识矩阵的值约简算法

属性值约简是粗糙集理论的重要研究课题之一,很多学者对它进行研究并提出了不同的算法,但由于值约简是NP-hard问题,目前还没有高效的方法.根据可辨识矩阵的定义,提出了不可辨识矩阵,将其运用到属性值约简的问题中.实验结果验证了此算法的可行性和有效性,能节省循环比较时间,提高计算速度.     

基于粗糙集理论的病理诊断规则提取算法研究

针对病理诊断规则获取问题,采用基于粗糙集理论的规则提取方法.首先进行连续属性的离散化,用遗传算法对CAIM(class-attribute interdependence maximum)离散化算法进行改进.然后利用粗糙集理论进行规则提取.采用以核为基础的增量式约简算法,综合考虑属性对约简的增益和属性在剩余属性集中的重要性,给出了衡量属性重要性程度的一个准则.随后进行属性值约简,获取诊断规则.     

基于粗糙集理论的值约简及规则提取

结合粗糙集理论和分类规则支持度的概念,提出以值约简后实例的支持度尽可能大作为约简的目标,并给出一种值约简的算法.通过对实例分析表明,该算法能取得较好的效果.文中还讨论了规则集的性质,改进值约简算法得到一种基于粗糙集的规则挖掘算法.实验结果表明,该算法生成规则能够得到令人满意的分类正确率.